基于YOLOv5的轻量化端到端手机检测方法

针对监控图像中手机尺寸较小、分辨率低且特征不明显等问题，给检测算法研究带来了困难。提出了一种改进的YOLOv5网络模型方法用来识别手机的使用。改进的检测算法引入轻量级网络GhostNet作为主干提取网络，将GhostConv模块、C3Ghost模块分别代替主干网络中的Conv基本卷积模块和C3模块，减小网络参数和复杂度；同时，将注意力机制CBAM引入到主干网络中，减少融合后冗余特征的影响，提取到目标区域中更加关键的特征信息；使用四尺度特征检测，在原算法基础上对应的增加检测层，用以提高更小目标的检测精度。实验结果表明，改进后的YOLOv5算法准确率达到95.7%,平均精度达到97.1%,比改进前训练的准确率和平均精度分别提升了2.5%和1.8%,运算量和参数量较改进前分别减少了14.3%和24.5%。改进的YOLOv5算法不仅具有轻量化优势，同时保证了准确率和平均精度。该方法为智能监测技术行业违规使用手机提供了理论依据和技术参考。     

基于改进的YOLOX血细胞检测算法研究

血细胞计数是一种常见的临床检验方法。针对血液显微镜图像中的血细胞种类不均匀、密集且相互遮挡导致现有血细胞检测方法准确率不高,提出了一种改进的YOLOX血细胞检测算法。该算法首先在损失函数中引入Focal loss以改善单阶段目标检测算法正负样本的不平衡和细胞种类不均匀的问题;接着在残差模块中引入混合注意力机制,减少了血细胞相互遮挡造成的漏检、错检的概率;然后在特征融合尾部引入自适应空间特征融合模块以提高特征表达能力;最后在残差模块中引入逆深度可分离卷积模块在减少模型参数的同时还略微提高检测精度。提出的算法在BCCD血细胞数据集进行了测试,改进后的YOLOX算法在血细胞数据集上的检测精度达到了92.5%,相比YOLOX算法提升了2.4%,且减少了8%的模型参数量;该算法在COCO2017通用数据集上的检测精度达到了41.7%,相对于原始YOLOX算法提升了1.2%。     

融合坐标注意力和BiFPN的YOLOv5s交通标志检测方法

针对不同光照条件下的小目标交通标志检测存在的不易检测、错检等问题,提出了一种融合坐标注意力机制和双向加权特征金字塔(BiFPN)的YOLOv5s交通标志检测方法。首先,在特征提取网络中融入坐标注意力机制,提升网络对重要特征的关注程度,增加模型在不同光照条件下的检测能力;其次,在特征融合网络中使用BiFPN,提升模型的特征融合能力,改善对小目标交通标志的检测能力;最后,考虑到真实框与预测框之间的方向匹配问题,将CIoU损失函数改为SIoU损失函数,进一步提升模型的检测性能。在GTSDB数据集上进行验证,与原始模型相比,平均精度均值(mAP)提升了3.9%,推理时间为2.5 ms,能够达到实时检测的标准。     

基于Efficientnet的红外目标检测算法

针对复杂场景下红外目标检测存在准确率低、召回率低的问题，为了提高红外图像中的小目标以及被遮挡目标的检测识别能力，提出基于Efficientnet的红外目标检测算法。首先，将高效轻量的Efficientnet作为模型的特征提取主干网，降低模型的参数量，提升训练速度。在Efficientnet主干网的最后一个输出层引入SPP模块，丰富特征图的表达能力，进行多尺度融合，扩大特征图的感受野；在模型特征融合部分，使用FPN特征金字塔网络，特征融合后增加CSPNet模块和ECA注意力机制，加强特征提取。检测部分使用YOLO Head，对目标进行分类和回归，并用CIoU Loss作为边界框回归损失函数，提高对被遮挡目标的识别能力。实验结果表明，基于Efficientnet的模型大小仅为YOLOv3的188%，并且在FLIR数据集上mAP达到8074%，相比于YOLOv3算法提高1012%，该模型在减少模型参数量的同时，提升了检测精度。该模型在FLIR数据集上具有良好的泛化能力，提高了对小目标和遮挡目标的检测能力。     

基于改进YOLOX-S的交通标志识别

交通标志是车辆在规范行驶过程中的一个重要指导,交通标志识别是无人驾驶汽车环境感知中必不可少的重要内容。本文基于YOLOX-S算法进行改进,通过在主干网络末端添加CBAM注意力机制模块,强化特征提取网络所得到的特征;使用Focal Loss函数,更好地消除正负样本不均衡问题,挖掘难例样本;使用GIOU损失函数,解决了原损失函数存在的优化不一致和尺度敏感的问题,进一步提高模型的识别准确率。本文基于TT100K数据集对提出算法进行了实验,对比了几种主流算法与本文算法的识别精度,实验结果表明在具有较高FPS的前提下,本文算法对大部分目标类别的检测精度都有所提升。相较于YOLOX-S模型,所提模型的coco精度评价指标mAP＿50提升1.9%,mAP＿50:95提升2.1%,FPS为35.6。证明了所做改进的有效性。     

轻量级注意力X射线矿石检测方法

针对缺乏矿石数据集和矿石分类识别模型等因素,自建以X射线照射成像的矿石图像为数据集,并以MobileNet V2为主网络,提出基于改进MobileNet V2轻量级矿石分类模型算法。首先,通过调整扩展因子和宽度因子大幅减少模型参数量,实现模型轻量化的目的;其次,通过在部分倒残差模块和原模型分类器中嵌入高效通道注意力机制,并将剩余倒残差模块替换为含深度空洞卷积的并行特征提取网络,以增强模型特征信息提取能力,提升模型识别准确率;最后,使用迁移学习的训练方式初始化权重,加速模型训练。经过改进,该算法矿石识别准确率提升至96.720%,对比VGG16、GoogleNet、Xception、ShuffleNet和MobileNet V2在准确率和矿石检测速度都获得了提升。综合而言,相比本文实验中其他算法而言,改进算法针对矿石的识别性能具有更佳表现。     

基于改进YOLOv5与CRNN的电表示数识别

为了提高电表示数检测和识别的准确率，基于轻量高效的YOLOv5s网络提出了改进的目标检测网络。首先，在特征提取阶段添加CBAM注意力机制对图像的重要特征进行自主学习，并设计了一种特征融合网络D-BiFPN加强了对深层特征的提取；其次，引入CIOU损失函数，使目标框的回归更加稳定。对CRNN文本识别算法的主干网络进行改进，模型保持轻量化的特点，在移动端部署上有良好的前景。最后，在电表数据集上测试得出：相比于YOLOv5算法，所提出的算法精度均值提升了5.13%;相比于CRNN算法，所提出的文本识别算法准确率提升了7.4%。实验结果表明，改进后的文本检测算法对电表示数的检测精度较高，文本识别算法准确率和速度较高，满足电表示数检测识别的实际应用需求。     

基于改进YOLOv5的输电线路绝缘子 识别方法

针对输电线路绝缘子识别准确率低、识别花费时间长的问题,提出一种改进的YOLOv5绝缘子识别方法。首先,通过引入超分辨率卷积网络提升数据集中图像样本质量;其次,通过引入k3-Ghost结构替换原始网络BCSP模块中的普通卷积,减少模型主干网络参数量,在主干网络尾部引入SENet注意力模块,加强模型对于通道信息的关注提升目标检测性能;在颈部网络引入DC-BiFPN结构替换原始结构,对不同尺度特征赋予不同权重以使多尺度特征进行更好的融合,提升绝缘子识别效果。最后,使用CIOU作为回归损失函数,加快网络收敛速度。实验结果表明：本文提出的方法在保证绝缘子识别准确率的同时拥有更高的识别速度,检测准确率达到89.5%,检测速度达到35.7FPS,验证了改进方法的有效性。     

基于改进结构与位置对齐网络的表结构识别法

针对现有表格结构检测方法运算量大,表格结构识别准确率低的问题,提出了一种改进的表格结构识别方法。该方法优化了结构与位置对齐网络,提出在一个轻量级的CPU卷积神经网络PPLCNet较深层增加残差连接,加强网络的学习能力;在特征提取和特征融合之间引入卷积块注意力模块(convolutional block attention module, CBAM)机制,同时从通道和空间维度加强模型对目标对象的定位能力;在Head部分采用卷积层替代全连接层,实现权重共享,用来降低模型的计算量;此外,还采用Smooth L1损失函数,通过回归表格四顶点坐标,避免图像畸变对于模型性能的影响;为了验证算法的性能,采用PubTabNet数据集进行测试,结果表明所提方法的准确率(Acc)达到71.58%,基于树编辑距离的相似度(tree-editdistance-based similarity, TEDS)达到94.47%;相比较于改进前模型精度提升了2.76%,TEDS提升了0.79%,模型综合性能更优。     

基于CA-ResNet50的轮胎激光散斑图的分类研究

针对轮胎激光散斑图识别精度低的问题，本文提出了一种新的轮胎激光散斑图分类网络(CA-ResNet50)。首先选用ResNet50为基础的残差网络，改变传统ResNet50网络模型中的残差块结构，最大程度发挥批标准化的作用；再引入轻量级的卷积注意力模块，增强网络模型对轮胎缺陷的特征提取能力；然后，用LeakyRelu激活函数代替Relu激活函数，解决神经元的“失活”问题；最后，对训练数据集进行扩展，以克服训练中数据量不足和网络模型拟合过度的问题。将本文中提出的CA-ResNet50与当前常用的分类网络模型在相同的数据集上进行对比，实验结果证明本文所提网络模型对轮胎激光散斑图的测试精度高于其他网络，识别精度可达到99.7%。     

基于YOLOv5的轻量化交通标志检测方法

针对目前交通标志检测算法存在网络复杂度高、计算量大、边缘端部署难度高。提出一种基于YOLOv5的轻量化交通标志目标检测算法。通过增加注意力机制,使用CBAM和CA融合的方式,强化检测模型抗干扰能力;通过FPGM剪枝,对模型进行了压缩,降低计算量、提高推理速度;通过软硬件融合设计,实现YOLOv5s模型与硬件融合,形成一整套完整的移动智能交通标志目标检测系统;结果表明,增加多种注意力机制后,模型精度提高了2.8%。在极限剪枝的情况下,模型仅有0.54 MB。在Jetson Nano(20 W)的环境下,检测速度达21帧/s,满足实时的交通标志检测。     

基于生成对抗网络和混合时空神经网络的入侵检测

针对网络入侵检测领域存在检测准确率低的问题,研究异常流量样本少和分类器性能不佳时的入侵检测模型,提出一种基于改进生成对抗网络和混合时空神经网络的入侵检测模型。改进生成对抗网络通过学习异常流量样本的分布特性,生成具有特定标签的人工异常流量样本;融合卷积神经网络和双向长短时记忆神经网络提取攻击流量的时空融合特征,利用注意力机制对时空融合特征进行加权,构建混合时空神经网络对网络流量进行分类预测。在UNSW-NB15数据集上对所提模型进行仿真实验,准确率和F1分数分别为92.93%和94.81%,表明所提模型能够有效改善原始数据集中的类别不平衡性问题,提高对异常流量样本的检测能力和网络入侵的检测准确率。     

基于轻量级YOLOv8n网络的PCB缺陷检测算法

针对PCB缺陷检测无法兼顾检测精度与模型体积的问题,提出一种基于轻量级YOLOv8n网络的PCB缺陷检测算法。首先,删除大目标检测层,新增小目标检测层并调整网络结构,使模型轻量化并提高检测精度。其次,将C2f模块结合GhostConv与DWConv设计出C2f-GhostD模块替换C2f模块,减少模型计算成本。然后,将PConv融入Detect模块中,设计出POne-Detect模块并应用于检测网络,精简网络结构。最后,在颈部网络添加SimAM注意力机制,提高信息捕获能力。实验结果表明,在PCB数据集中,该算法相较于YOLOv8n,参数量下降78.7%,模型体积减小73.7%,mAP0.5提升至98.6%,满足模型硬件部署需求。     

轻量化的印刷电路板缺陷检测网络 Multi-CR YOLO

针对印刷电路板表面缺陷目标小,检测精度低问题,设计了印刷电路板表面缺陷检测网络Multi-CR YOLO,满足实时检测速度的前提下,有效提高了检测精度。首先,由3个Multi-CR块组成的主干特征提取网络Multi-CR backbone对印刷电路板小目标缺陷进行特征提取。其次,SDDT-FPN特征融合模块使层级高的特征层向层级低的特征层进行特征融合,同时为小目标预测头YOLO Head-P3所在特征融合层加强特征融合,进一步增强低层特征层的表达能力。PCR模块加强主干特征提取网络与SDDT-FPN特征融合模块不同尺度的特征层的特征融合机制,且防止模块之间进行特征融合时信息丢失。C₅ECA模块负责自适应调节特征权重和自适应注意小目标缺陷信息的要求,进一步提高了特征融合模块的自适应特征提取能力。最后,3个YOLO-Head负责针对不同尺度的小目标缺陷进行预测。实验表明,Multi-CR YOLO网络模型检测mAP达到98.55%,模型大小为8.90 MB,达到轻量化要求,检测速度达到了95.85 fps,满足小目标缺陷实时检测的应用需求。     

绝缘子自爆缺陷的轻量化检测网络 DE-YOLO

为了实现输电线路的高精度、高速度巡检,设计了一种适用于移动终端设备的轻量化目标检测网络 DE-YOLO。 首先融 合深度可分离卷积、逐点卷积和 ECA 注意力机制提出了特征提取模块 NewC3,它负责显著降低网络参数、同时强化网络提取绝 缘子有效信息的能力。 再借助通道数成倍增长策略和通道注意力机制 SE 设计了轻量化模块 DC-SE,它用于削弱复杂背景对绝 缘子故障的干扰、互补提取绝缘子细微特征,进而增强浅层网络对目标特征信息的提取能力。 实验表明,DE-YOLO 网络在自制 绝缘子数据集上的 GFLOPs 降低 45%,运行参数降低 42%,自爆缺陷检测精度高达 93. 2%。 NewC3 和 DC-SE 能保证 DE-YOLO 的轻量化,同时满足绝缘子自爆缺陷实时检测的要求。     

基于改进YOLOv5的轨道交通障碍物检测算法

针对复杂的轨道交通背景下障碍物检测精度低和检测速度慢的问题,提出了一种改进YOLOv5的目标检测网络模型。首先,采用基于注意力机制的轻量级Transformer主干EMO来替换YOLOv5原有backbone中的部分模块,保证轻量化的同时,还能够提高模型的准确性和稳定性;其次,使用Focal-EIoU来替换YOLOv5中的CIoU损失函数,以解决CIoU引起的训练效率低、收敛速度慢等问题;最后使用轻量化上采样算子CARAFE来替换YOLOv5算法中原有的上采样层,在没有引入过多参数和计算量的情况下具有更大的感受野,提高了检测精度和检测速度。实验结果表明,该方法相较于原始的YOLOv5网络模型平均精确度提升了11.1%,准确率提升了13%,召回率提升了11.4%,检测速度达到了60.7 fps。所提出的方法在目标检测任务中表现出了较好的性能,有效增强了轨道交通背景下目标检测模型的检测性能。     

YOLOX-IM:一种无人机航拍视频的轻量化交通参数提取模型

在无人机航拍的过程中,背景更广阔,目标的尺寸更小,种类更复杂。提出一种基于YOLOX-s的轻量化无人机航拍目标检测算法YOLOX-IM。首先,为了提高该模型检测小目标的性能,通过使用切片辅助推理(slicing aided hyper inference, SAHI)算法以及坐标修正矩阵对训练集进行预处理和数据增强。然后,在路径聚合网络(path aggregation network, PAN)中引入一个浅层特征图以及超轻量级子空间注意模块,并添加一个检测头对小物体进行检测;最后,对边界回归的损失函数进行了优化。在VisDrone2019数据集的消融实验结果表明,所提出的模型检测精度与基础YOLOX-s相比高了8.13%;模型体积4.55 MB,相较于原模型下降67.14%。利用该模型在中国天津市渌水道进行实地交通监测的交通参数提取实验,在设定的场景中,当无人机航拍高度为50 m时,该模型的交通提取参数精度最高,达到96.14%。     

基于YOLOv5s和改进质心跟踪的人员跌倒检测

针对目标检测器检测跌倒时过于依赖卷积网络分类效果、无法利用运动信息的问题,本文设计了一种基于YOLOv5s和改进质心跟踪的跌倒检测模型。为解决耗费资源问题,用MobileNetV3网络和Slim Neck模块对YOLOv5s进行轻量化,同时将MobileNetV3网络中的SE模块替换为更高效的ECA模块,降低网络复杂度的同时保持较高的精度。引入哈希感知算法改进质心跟踪,增加目标关联的依据,提高跌倒检测的准确性。实验结果显示改进YOLOv5s模型大小下降52.2%,计算量下降51.8%,精度高达90.3%。改进质心跟踪的跌倒检测模型准确率提高了4.3%。结果表明了本文提出模型的有效性和优越性。     

基于改进SSD的交通标志检测算法

为了解决真实交通场景下交通标志因目标较小而导致检测精度低的问题,提出了一种改进SSD的交通标志检测算法。首先使用更深层次的ResNest网络替换原始SSD算法的主干网络VGG16来增强弱目标特征的强表征能力,然后在SSD的额外添加层使用RFB模块来增加小目标的感受野。其次使用Bi-FPN加权双向特征金字塔网络有效结合深层与浅层的特征信息,改善小目标的检测性能。最后使用K-means++聚类算法调整默认窗口的大小,有效避免因原始默认窗口太大但交通标志较小而无法匹配的问题,以改善检测效率。实验结果表明,本文提出的模型在中国交通标志数据集(CCTSDB)上获得了95.33%的mAP,与原始SSD模型相比,本文所构建的模型能更好的适应自然背景下的交通标志检测。     

基于改进 SqueezeNet 的棒状物表面缺陷识别

高速流水线生产的棒状物极易产生各种表面缺陷,但基于传统图像处理的缺陷识别方法易受环境影响、可靠性低,而基于深度学习的缺陷识别方法存在模型过大、识别准确率受制于样本数量等问题。因此,本文提出了一种基于改进SqueezeNet的棒状物表面缺陷识别系统。设计了可获取圆周对称小体积棒状物全表面图像的采集装置,并在轻量级卷积神经网络SqueezeNet中引入注意力模块以改善模型的特征提取效果,利用数据平衡方法提升数据集内少数类样本的识别准确率,利用迁移学习的方法进行深度学习训练,减轻数据集样本不足对训练效果的影响。以生产线上的卷烟烟支为研究对象,采集其圆周表面图像进行实验,结果表明,改进方法在少样本条件下的分类准确率达到了94.49%,其中对于少数类样本的F1分数提高了31.19%,单张图像检测时间约1.66 ms,模型轻量化,可满足工业生产线中棒状物实时缺陷识别的需求。